Read more
Un gran número de problemas presentes en diversas áreas del conocimiento requieren la optimización simultánea de varios objetivos en conflicto. Estos problemas, denominados Problemas de Optimización Multiobjetivo (POM), no poseen una solución única, sino un conjunto de soluciones que representan los distintos compromisos entre los objetivos. En esta trabajo se propone un Algoritmo Evolutivo Multiobjetivo (AEMO) para resolver problemas con un gran número de objetivos. El algoritmo propuesto genera las soluciones utilizando los operadores de recombinación de la evolución diferencial y transforma el proceso de seleccionar las mejores soluciones en un problema de asignación lineal. El AEMO propuesto se comparó con algunos de los algoritmos con mejor desempeño resolviendo POMs. Los resultados obtenidos en 16 problemas de prueba con 144 instancias de entre 2 y 10 objetivos, indican que el método propuesto supera a los demás tanto en convergencia como en diversidad de las soluciones.
About the author
Jose Molinet es Investigador en el Departamento de Inteligencia Artificial de Zvelo, Colorado. Fue Profesor e Investigador en la Universidad de Camagüey, Cuba y obtuvo su Maestría en Ciencias de la Computación del CINVESTAV-IPN, México. Ha publicado en varias revistas y congresos trabajos sobre Optimización Multiobjetivo e Inteligencia Artificial.
